H^2-EMV：讓人形機器人學會選擇性記憶與語言化遺忘
機器人在回應「我把鑰匙放哪？」或說明任務失敗原因時，需口語化過往經驗，但持續多模態感知會讓情節記憶暴增，影響儲存與即時查詢。H^2-EMV提出透過使用者互動學習要記什麼：系統以分層的情節記憶架構儲存資訊，採語言模型評估相關性執行選擇性遺忘，並根據使用者回饋更新自然語言規則。
H^2-EMV：讓人形機器人學會「該記什麼、該忘什麼」
人形機器人要能口語化地說明過去經驗，但持續的多模態感知會讓情節記憶快速膨脹，影響儲存與即時回應。
研究提出H^2-EMV框架，增量建構分層情節記憶，並以語言模型估計條目相關性來執行選擇性遺忘。系統以可讀的自然語言規則描述何者重要，並根據使用者回饋修正這些規則，讓忘記行為隨使用者優先權調整。
在模擬家務任務與ARMAR-7 20.5小時實錄的評估中，H^2-EMV在維持問答能力的同時將記憶體積減少45%，查詢時計算量降低35%；且透過對使用者偏好的學習，第二輪查詢的準確度大幅提升，顯示此方法有助於可擴展且個人化的長期人機協作。
延伸閱讀
- MemTier：分層記憶與閉迴路歸因，為長期自治式代理緩解 BM25 檢索瓶頸
- HeavySkill：將並行推理與序列化審議內化為模型的重度思考技能
- 分層執行圖（LEG）架構下的可審計水動力學多代理系統（MAS）
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
